病理图像中的细胞核分割对于癌症的研究具有重要的意义,在临床诊断中,通常根据细胞的空间几何分布和形态特征来判断癌症的分期和类型,这些通常是依靠医生手工提取细胞核来完成的,这往往要求医生具备丰富的经验,并且费时费力。随着计算机辅助诊断的不断发展,通过深度学习技术可以让计算机自动从医学图像中提取出医生需要观察的区域并生成辅助的诊断建议,有效的提高了临床上诊断的效率与客观性。本文基于深度学习卷积神经网络,分别以三个模型为基础,针对细胞核医疗图像的特点以及每种方法的缺陷构建深度卷积神经网络。针对细胞核数据集中,细胞核的分布范围广、尺寸小并且密度大这些特点,本文以Segnet为基本模型,通过引入非局部均值的改进模块使得模型能够更好的学习到上下文信息,通过将特征图解耦成主体特征和边界特征,并分别辅以对应的监督来提高模型对细胞核的边界和主体区分能力。针对Segnet基本模型没有充分利用到低层次信息,本文在Unet++模型的基础上构建神经网络,首先本文将编码器部分的卷积模块替换为残差模块,提高模型的特征抽取能力,为了避免了由于下采样操作造成信息不可逆的丢失,本文将一条高分辨率支路与原模型进行并联,并且在同一深度下通过本文提出的特征融合模块结合多尺度信息,最后通过通道与空间注意力机制模块将两条并联支路结合,提高模型对细胞核这类小物体的分割能力。针对前两个方法需要对不同数据集进行专门设置超参数才能让模型达到最优效果,本文采用nnUnet方法来缓解模型在两个数据集上的差异性,该方法能够根据数据集的特点自动进行网络配置,从而省去了人为的网络配置环节,本文在其基础上采用了更为有效的数据增强,在得到推理结果后进行后处理使得分割结果图更加的平滑。